眼底AI日渐成熟，医疗产业为何“毫无反应”？( 三 ) 曾经爆火的AI医疗产业

可以说，算法还有待优化，用更全面的数据加固已有的模型，才能逐步让AI医疗应用到更多场景中。
追溯到2020年，吴恩达在斯坦福HAI研讨会的演讲中曾分析，医疗领域AI研究的算法难以投入到生产，因为一部分数据训练出的模型，难以泛化到其他情况。这一说法在谷歌健康的“糖尿病视网膜病变筛查”业务中有所证实。
此前，谷歌发表在《美国医学会期刊》的文章中提到， AI算法使“糖尿病视网膜病变筛查”的准确率达到了90% ，理论上几秒就能出结果。但当理论与现实结合时，却出现了极大的反差。2020年，谷歌与泰国公共卫生部门就这项业务展开合作，最终由于算法对检查照片的要求极高，准确率远不如预期。
除此之外，从上传照片到出结果所需要的时间，还取决于当地医院的网络信号是否良好，病人通常需要很长的时间才能拿到结果。
很显然， AI医疗对环境以及照片像素等外界因素的依赖程度极高，一旦出现预期外的事件发生，将无法发挥自身的效用。就连相对成熟的眼底AI算法，尚且无法适应各种状况的发生，更何况本就发展受限的其他领域。
AI医疗在应用中的受限因素有很多。
首先，基本地域限制， AI在实际场景并不通用，本质上来说，适用性较高的AI基本都是定制化研发。例如，儿童骨龄智能辅助诊断软件在诊断上就有一些问题，这个参照南方地区身高作为标准的软件，并不适合平均身高突出的当地。
其次，基于技术限制，市面上AI在心血管中的诊疗工具集中在影像功能，高门槛的技术难点让不少企业望而却步。相较于视网膜、肺部影像扫描图像基本处于相对静止状态，心脏以及冠脉极端复杂的网状结构的图像更难捕捉，图像的合成和三维重建十分困难。AI在心血管领域需要更加精密而庞大的算法，来诊断与预测种类极为丰富的心脏病症。
最后， AI医疗被应用于真实医疗场景，大量的训练数据是前提，但数据准确性和全面性却并未得到保障。比如，在美国医疗媒体STAT公布的IBM公司内部文件中显示，沃森系统的训练，使用是虚拟患者的假想数据，推荐的治疗方案是基于纪念斯隆-凯特琳癌症中心专家的方案；且训练数据不足， 8种癌症中，训练数据量最高的肺癌只有635例，而最低的卵巢癌仅有106例。
【眼底AI日渐成熟，医疗产业为何“毫无反应”？】不难看出，算法的优化根本跟不上医疗情景的变化，很多医疗AI在实景操作中并派不上用场。而投入巨大的人力物力，却得不到相应的回报，让资本对AI医疗产业的热情骤减，也让这个赛道显得越发落寞。